Mistral Large 3 2512 是 Mistral AI 經指令微調的版本，適用於一般對話、視覺理解與企業工作。其稀疏混合專家架構總參數量為 6,750 億，其中活躍參數量為 410 億，上下文視窗為 256k。文字與影像可共同參與同一項任務，而回答則是文字、程式碼或結構化結果。
能力與輸入準備
模型結合語言元件與視覺編碼器。請為影像指定清楚角色：待閱讀的頁面、待解讀的示意圖，或待說明的畫面。對內容密集的畫面，請提供包含相關控制項的裁切影像，並保留理解它們所需的周邊標籤。Mistral 建議影像形狀接近正方形；將特別狹長或寬扁的來源拆成實用區域，不要把重要細節縮成無法閱讀的細條。
原廠列出涵蓋數十種語言的多語言對話，包括英語、法語、西班牙語、德語、義大利語、葡萄牙語、荷蘭語、中文、日語、韓語及阿拉伯語。請說明輸出語言、目標讀者與要保留的術語。撰寫支援文章時，要求保留產品名稱的在地化說明，以及一份需要在發布前釐清的不確定譯詞短清單。
長文件與企業知識
利用上下文匯集相關材料：政策文字、規格、既有決策，以及需要回答的問題。請標示每個來源及其修訂版本。實用的請求是：「比較這三份入職政策。回傳共同需求、衝突及未解問題的表格，並為每項發現列出來源章節。」產出的成品是根據提供段落的比較，而非主題的泛泛摘要。
提出文件問題時，請指出期望的詳細程度，並要求在結論旁附上支持段落。Mistral 的 Document QnA 工作流程先以 OCR 擷取文字與文件結構，再使用語言模型解讀材料。準備擷取文字時，保留頁碼與標題，讓回答能指回原文。文件 URL、擷取文字與影像證據各有不同準備需求；請選擇所用應用程式支援的輸入形式。
程式開發與日常協助
Mistral 將 Large 3 定位於程式開發協助及日常對話。請提供相關函式、預期行為及觀察到的失敗。例如：「當輸入末尾沒有換行字元時，這個剖析器會漏掉最後一個欄位。請說明失敗分支、提出最小變更，並回傳修正後的函式及三組具代表性的輸入／輸出範例。」實用結果是與實際程式碼相關的建議變更，以及開發者可執行的一組案例。
撰寫商務草稿時，請一併提供事實與所需成品。將會議筆記轉為決策備忘錄的請求，應指出決策、替代方案、未解假設及下一步。要求模型將來源事實與建議分開，並在適當章節標示缺漏資訊。這比未加區分的敘述更容易修訂。
工具與結構化結果
原生函式呼叫讓模型能選擇提供的函式並準備引數。應用程式執行該函式並回傳結果；模型再將回傳資訊用於回答。工具應具體，且僅公開任務所需工具。庫存查詢助理可以接收產品參照、要求查詢庫存，並說明回傳的數量與倉庫。執行請求之前，先驗證所選函式與引數，並將工具回應與最終回答一併保留。
進行擷取時，請指定欄位、型別及缺漏值的處理方式。Mistral 記載 JSON 模式與自訂結構化輸出；JSON 模式需要明確指示回傳 JSON，而自訂結構描述則提供更強的格式控制。發票摘要可以要求供應商、發票號碼、到期日、幣別及明細，並一致表示缺漏值。即使回應符合要求的結構，仍應對照文件檢查擷取值。
設定與版本差異
請在系統指令中定義角色、任務與工具規則。Mistral 建議此檢查點的正式環境與日常使用採用低於 0.1 的 temperature，創意任務則可探索更高的值。請區分多樣構想請求與可重現擷取請求：前者保留替代選項的空間，後者則提供明確欄位及來源限制。
此指令版本與 Large 3 基礎檢查點及專用推理模型分開。原廠指出，嚴格推理與專門視覺工作，可能更適合針對這些任務設計的模型。對困難計算，請提供假設與單位、要求中間檢查，並使用可用計算工具驗證結果。對密集視覺證據，請準備清晰可讀的區域，在將回答用於報告之前對照來源檢查。
", "aboutText": "Mistral Large 3 2512 是 Mistral AI 經指令微調的版本，適用於一般對話、視覺理解與企業工作。其稀疏混合專家架構總參數量為 6,750 億，其中活躍參數量為 410 億，上下文視窗為 256k。文字與影像可共同參與同一項任務，而回答則是文字、程式碼或結構化結果。\n\n能力與輸入準備\n\n模型結合語言元件與視覺編碼器。請為影像指定清楚角色：待閱讀的頁面、待解讀的示意圖，或待說明的畫面。對內容密集的畫面，請提供包含相關控制項的裁切影像，並保留理解它們所需的周邊標籤。Mistral 建議影像形狀接近正方形；將特別狹長或寬扁的來源拆成實用區域，不要把重要細節縮成無法閱讀的細條。\n\n原廠列出涵蓋數十種語言的多語言對話，包括英語、法語、西班牙語、德語、義大利語、葡萄牙語、荷蘭語、中文、日語、韓語及阿拉伯語。請說明輸出語言、目標讀者與要保留的術語。撰寫支援文章時，要求保留產品名稱的在地化說明，以及一份需要在發布前釐清的不確定譯詞短清單。\n\n長文件與企業知識\n\n利用上下文匯集相關材料：政策文字、規格、既有決策，以及需要回答的問題。請標示每個來源及其修訂版本。實用的請求是：「比較這三份入職政策。回傳共同需求、衝突及未解問題的表格，並為每項發現列出來源章節。」產出的成品是根據提供段落的比較，而非主題的泛泛摘要。\n\n提出文件問題時，請指出期望的詳細程度，並要求在結論旁附上支持段落。Mistral 的 Document QnA 工作流程先以 OCR 擷取文字與文件結構，再使用語言模型解讀材料。準備擷取文字時，保留頁碼與標題，讓回答能指回原文。文件 URL、擷取文字與影像證據各有不同準備需求；請選擇所用應用程式支援的輸入形式。\n\n程式開發與日常協助\n\nMistral 將 Large 3 定位於程式開發協助及日常對話。請提供相關函式、預期行為及觀察到的失敗。例如：「當輸入末尾沒有換行字元時，這個剖析器會漏掉最後一個欄位。請說明失敗分支、提出最小變更，並回傳修正後的函式及三組具代表性的輸入／輸出範例。」實用結果是與實際程式碼相關的建議變更，以及開發者可執行的一組案例。\n\n撰寫商務草稿時，請一併提供事實與所需成品。將會議筆記轉為決策備忘錄的請求，應指出決策、替代方案、未解假設及下一步。要求模型將來源事實與建議分開，並在適當章節標示缺漏資訊。這比未加區分的敘述更容易修訂。\n\n工具與結構化結果\n\n原生函式呼叫讓模型能選擇提供的函式並準備引數。應用程式執行該函式並回傳結果；模型再將回傳資訊用於回答。工具應具體，且僅公開任務所需工具。庫存查詢助理可以接收產品參照、要求查詢庫存，並說明回傳的數量與倉庫。執行請求之前，先驗證所選函式與引數，並將工具回應與最終回答一併保留。\n\n進行擷取時，請指定欄位、型別及缺漏值的處理方式。Mistral 記載 JSON 模式與自訂結構化輸出；JSON 模式需要明確指示回傳 JSON，而自訂結構描述則提供更強的格式控制。發票摘要可以要求供應商、發票號碼、到期日、幣別及明細，並一致表示缺漏值。即使回應符合要求的結構，仍應對照文件檢查擷取值。\n\n設定與版本差異\n\n請在系統指令中定義角色、任務與工具規則。Mistral 建議此檢查點的正式環境與日常使用採用低於 0.1 的 temperature，創意任務則可探索更高的值。請區分多樣構想請求與可重現擷取請求：前者保留替代選項的空間，後者則提供明確欄位及來源限制。\n\n此指令版本與 Large 3 基礎檢查點及專用推理模型分開。原廠指出，嚴格推理與專門視覺工作，可能更適合針對這些任務設計的模型。對困難計算，請提供假設與單位、要求中間檢查，並使用可用計算工具驗證結果。對密集視覺證據，請準備清晰可讀的區域，在將回答用於報告之前對照來源檢查。\n", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 是用於長文件、企業知識、程式開發及工具輔助工作的多語言文字與影像模型。256k 上下文、原生函式呼叫與結構化輸出，有助於將提供的證據轉為回答、紀錄及建議動作。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Mistral Large 3 2512 是 Mistral AI 經指令微調的版本，適用於一般對話、視覺理解與企業工作。其稀疏混合專家架構總參數量為 6,750 億，其中活躍參數量為 410 億，上下文視窗為 256k。文字與影像可共同參與同一項任務，而回答則是文字、程式碼或結構化結果。
能力與輸入準備
模型結合語言元件與視覺編碼器。請為影像指定清楚角色：待閱讀的頁面、待解讀的示意圖，或待說明的畫面。對內容密集的畫面，請提供包含相關控制項的裁切影像，並保留理解它們所需的周邊標籤。Mistral 建議影像形狀接近正方形；將特別狹長或寬扁的來源拆成實用區域，不要把重要細節縮成無法閱讀的細條。
原廠列出涵蓋數十種語言的多語言對話，包括英語、法語、西班牙語、德語、義大利語、葡萄牙語、荷蘭語、中文、日語、韓語及阿拉伯語。請說明輸出語言、目標讀者與要保留的術語。撰寫支援文章時，要求保留產品名稱的在地化說明，以及一份需要在發布前釐清的不確定譯詞短清單。
長文件與企業知識
利用上下文匯集相關材料：政策文字、規格、既有決策，以及需要回答的問題。請標示每個來源及其修訂版本。實用的請求是：「比較這三份入職政策。回傳共同需求、衝突及未解問題的表格，並為每項發現列出來源章節。」產出的成品是根據提供段落的比較，而非主題的泛泛摘要。
提出文件問題時，請指出期望的詳細程度，並要求在結論旁附上支持段落。Mistral 的 Document QnA 工作流程先以 OCR 擷取文字與文件結構，再使用語言模型解讀材料。準備擷取文字時，保留頁碼與標題，讓回答能指回原文。文件 URL、擷取文字與影像證據各有不同準備需求；請選擇所用應用程式支援的輸入形式。
程式開發與日常協助
Mistral 將 Large 3 定位於程式開發協助及日常對話。請提供相關函式、預期行為及觀察到的失敗。例如：「當輸入末尾沒有換行字元時，這個剖析器會漏掉最後一個欄位。請說明失敗分支、提出最小變更，並回傳修正後的函式及三組具代表性的輸入／輸出範例。」實用結果是與實際程式碼相關的建議變更，以及開發者可執行的一組案例。
撰寫商務草稿時，請一併提供事實與所需成品。將會議筆記轉為決策備忘錄的請求，應指出決策、替代方案、未解假設及下一步。要求模型將來源事實與建議分開，並在適當章節標示缺漏資訊。這比未加區分的敘述更容易修訂。
工具與結構化結果
原生函式呼叫讓模型能選擇提供的函式並準備引數。應用程式執行該函式並回傳結果；模型再將回傳資訊用於回答。工具應具體，且僅公開任務所需工具。庫存查詢助理可以接收產品參照、要求查詢庫存，並說明回傳的數量與倉庫。執行請求之前，先驗證所選函式與引數，並將工具回應與最終回答一併保留。
進行擷取時，請指定欄位、型別及缺漏值的處理方式。Mistral 記載 JSON 模式與自訂結構化輸出；JSON 模式需要明確指示回傳 JSON，而自訂結構描述則提供更強的格式控制。發票摘要可以要求供應商、發票號碼、到期日、幣別及明細，並一致表示缺漏值。即使回應符合要求的結構，仍應對照文件檢查擷取值。
設定與版本差異
請在系統指令中定義角色、任務與工具規則。Mistral 建議此檢查點的正式環境與日常使用採用低於 0.1 的 temperature，創意任務則可探索更高的值。請區分多樣構想請求與可重現擷取請求：前者保留替代選項的空間，後者則提供明確欄位及來源限制。
此指令版本與 Large 3 基礎檢查點及專用推理模型分開。原廠指出，嚴格推理與專門視覺工作，可能更適合針對這些任務設計的模型。對困難計算，請提供假設與單位、要求中間檢查，並使用可用計算工具驗證結果。對密集視覺證據，請準備清晰可讀的區域，在將回答用於報告之前對照來源檢查。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 mistralai/mistral-large-2512 | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0022 / 1K Token 輸出 · 輸出 Token $0.0066 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0022 / 1K Token 輸出 · 輸出 Token $0.0066 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra mistralai/mistral-large-2512
請使用上方列出的 API 方法路徑。
mistralai/mistral-large-2512Mistral Large 3 2512 是用於長文件、企業知識、程式開發及工具輔助工作的多語言文字與影像模型。256k 上下文、原生函式呼叫與結構化輸出，有助於將提供的證據轉為回答、紀錄及建議動作。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Mistral Large 3 2512 是 Mistral AI 經指令微調的版本，適用於一般對話、視覺理解與企業工作。其稀疏混合專家架構總參數量為 6,750 億，其中活躍參數量為 410 億，上下文視窗為 256k。文字與影像可共同參與同一項任務，而回答則是文字、程式碼或結構化結果。
能力與輸入準備
模型結合語言元件與視覺編碼器。請為影像指定清楚角色：待閱讀的頁面、待解讀的示意圖，或待說明的畫面。對內容密集的畫面，請提供包含相關控制項的裁切影像，並保留理解它們所需的周邊標籤。Mistral 建議影像形狀接近正方形；將特別狹長或寬扁的來源拆成實用區域，不要把重要細節縮成無法閱讀的細條。
原廠列出涵蓋數十種語言的多語言對話，包括英語、法語、西班牙語、德語、義大利語、葡萄牙語、荷蘭語、中文、日語、韓語及阿拉伯語。請說明輸出語言、目標讀者與要保留的術語。撰寫支援文章時，要求保留產品名稱的在地化說明，以及一份需要在發布前釐清的不確定譯詞短清單。
長文件與企業知識
利用上下文匯集相關材料：政策文字、規格、既有決策，以及需要回答的問題。請標示每個來源及其修訂版本。實用的請求是：「比較這三份入職政策。回傳共同需求、衝突及未解問題的表格，並為每項發現列出來源章節。」產出的成品是根據提供段落的比較，而非主題的泛泛摘要。
提出文件問題時，請指出期望的詳細程度，並要求在結論旁附上支持段落。Mistral 的 Document QnA 工作流程先以 OCR 擷取文字與文件結構，再使用語言模型解讀材料。準備擷取文字時，保留頁碼與標題，讓回答能指回原文。文件 URL、擷取文字與影像證據各有不同準備需求；請選擇所用應用程式支援的輸入形式。
程式開發與日常協助
Mistral 將 Large 3 定位於程式開發協助及日常對話。請提供相關函式、預期行為及觀察到的失敗。例如：「當輸入末尾沒有換行字元時，這個剖析器會漏掉最後一個欄位。請說明失敗分支、提出最小變更，並回傳修正後的函式及三組具代表性的輸入／輸出範例。」實用結果是與實際程式碼相關的建議變更，以及開發者可執行的一組案例。
撰寫商務草稿時，請一併提供事實與所需成品。將會議筆記轉為決策備忘錄的請求，應指出決策、替代方案、未解假設及下一步。要求模型將來源事實與建議分開，並在適當章節標示缺漏資訊。這比未加區分的敘述更容易修訂。
工具與結構化結果
原生函式呼叫讓模型能選擇提供的函式並準備引數。應用程式執行該函式並回傳結果；模型再將回傳資訊用於回答。工具應具體，且僅公開任務所需工具。庫存查詢助理可以接收產品參照、要求查詢庫存，並說明回傳的數量與倉庫。執行請求之前，先驗證所選函式與引數，並將工具回應與最終回答一併保留。
進行擷取時，請指定欄位、型別及缺漏值的處理方式。Mistral 記載 JSON 模式與自訂結構化輸出；JSON 模式需要明確指示回傳 JSON，而自訂結構描述則提供更強的格式控制。發票摘要可以要求供應商、發票號碼、到期日、幣別及明細，並一致表示缺漏值。即使回應符合要求的結構，仍應對照文件檢查擷取值。
設定與版本差異
請在系統指令中定義角色、任務與工具規則。Mistral 建議此檢查點的正式環境與日常使用採用低於 0.1 的 temperature，創意任務則可探索更高的值。請區分多樣構想請求與可重現擷取請求：前者保留替代選項的空間，後者則提供明確欄位及來源限制。
此指令版本與 Large 3 基礎檢查點及專用推理模型分開。原廠指出，嚴格推理與專門視覺工作，可能更適合針對這些任務設計的模型。對困難計算，請提供假設與單位、要求中間檢查，並使用可用計算工具驗證結果。對密集視覺證據，請準備清晰可讀的區域，在將回答用於報告之前對照來源檢查。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 mistralai/mistral-large-2512 | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0022 / 1K Token 輸出 · 輸出 Token $0.0066 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0022 / 1K Token 輸出 · 輸出 Token $0.0066 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra mistralai/mistral-large-2512
請使用上方列出的 API 方法路徑。
英文技術範例
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.